論文の概要: OSS Mentor A framework for improving developers contributions via deep
reinforcement learning
- arxiv url: http://arxiv.org/abs/2210.13990v1
- Date: Mon, 24 Oct 2022 14:26:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:33:31.268235
- Title: OSS Mentor A framework for improving developers contributions via deep
reinforcement learning
- Title(参考訳): OSS Mentor - ディープ強化学習による開発者のコントリビューション向上のためのフレームワーク
- Authors: Jiakuan Fan and Haoyue Wang and Wei Wang and Ming Gao and Shengyu Zhao
- Abstract要約: 我々はオープンソースソフトウェア(OSS)メンターという深層強化学習フレームワークを紹介する。
OSS Mentorは経験的な知識からトレーニングして,開発者のコントリビューション向上を支援することができる。
提示されたフレームワークが、オープンソースソフトウェアを管理するための深層強化学習テクニックを探求するのは、これが初めてである。
- 参考スコア(独自算出の注目度): 14.828595288939749
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In open source project governance, there has been a lot of concern about how
to measure developers' contributions. However, extremely sparse work has
focused on enabling developers to improve their contributions, while it is
significant and valuable. In this paper, we introduce a deep reinforcement
learning framework named Open Source Software(OSS) Mentor, which can be trained
from empirical knowledge and then adaptively help developers improve their
contributions. Extensive experiments demonstrate that OSS Mentor significantly
outperforms excellent experimental results. Moreover, it is the first time that
the presented framework explores deep reinforcement learning techniques to
manage open source software, which enables us to design a more robust framework
to improve developers' contributions.
- Abstract(参考訳): オープンソースプロジェクトのガバナンスでは、開発者の貢献度を測定する方法について多くの懸念があった。
しかしながら、非常に少ない作業は、開発者がコントリビューションを改善することに重点を置いている。
本稿では,オープンソースソフトウェア(oss)メンターと呼ばれる深層強化学習フレームワークを提案する。
大規模な実験により、OSS Mentorは優れた実験結果よりも優れていることが示された。
さらに、提示されたフレームワークが、オープンソースソフトウェアを管理するための深い強化学習テクニックを探求するのは初めてであり、それによって、開発者のコントリビューションを改善するために、より堅牢なフレームワークを設計することができます。
関連論文リスト
- Unveiling and Consulting Core Experts in Retrieval-Augmented MoE-based LLMs [64.9693406713216]
RAGシステムの有効性に寄与する内部メカニズムは未解明のままである。
実験の結果,複数のコアグループの専門家がRAG関連行動に主に関与していることが判明した。
本稿では,専門家の活性化を通じてRAGの効率性と有効性を高めるためのいくつかの戦略を提案する。
論文 参考訳(メタデータ) (2024-10-20T16:08:54Z) - OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models [61.14336781917986]
大規模言語モデル(LLM)の推論能力を高めるためのオープンソースのフレームワークであるOpenRを紹介する。
OpenRは、データ取得、強化学習トレーニング、非自己回帰デコーディングを凝集性ソフトウェアプラットフォームに統合する。
私たちの研究は、OpenAIのo1モデルのコア技術と強化学習を探求する、オープンソースのフレームワークを初めて提供するものです。
論文 参考訳(メタデータ) (2024-10-12T23:42:16Z) - Impermanent Identifiers: Enhanced Source Code Comprehension and Refactoring [43.5512514983067]
この記事では、Imbermanent Identifierを中心としたコード拡張に対する革新的なアプローチを紹介します。
一番の目標は、変化するコンテキストに適応する動的な識別子を導入することで、ソフトウェア開発エクスペリエンスを強化することです。
本研究は,ソフトウェア開発現場における不整合識別子の採用と受容について,厳密に評価する。
論文 参考訳(メタデータ) (2024-06-13T12:54:02Z) - RLeXplore: Accelerating Research in Intrinsically-Motivated Reinforcement Learning [50.55776190278426]
外部報酬は、特定のタスクにおける強化学習(RL)エージェントを効果的に導くことができる。
RLeXploreは,8つの最先端固有の報酬アルゴリズムの信頼性を実現する,統一的で高度にモジュール化されたプラグイン・アンド・プレイフレームワークである。
論文 参考訳(メタデータ) (2024-05-29T22:23:20Z) - Development of an open education resources (OER) system: a comparative analysis and implementation approach [0.0]
このプロジェクトには、LMS(Learning Management Systems)のトップ5の比較分析が含まれている。
主な目的は、非商業ユーザのための教育資源の共有を容易にするWebベースのシステムを作ることである。
論文 参考訳(メタデータ) (2024-05-26T05:58:45Z) - Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。
本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。
実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
論文 参考訳(メタデータ) (2023-12-28T13:50:42Z) - Code Ownership in Open-Source AI Software Security [18.779538756226298]
コードオーナシップのメトリクスを使用して、5つの著名なオープンソースAIソフトウェアプロジェクトにおける潜在的な脆弱性との相関を調査します。
この結果は、ハイレベルなオーナシップ(マイナーなコントリビュータの数が限られている)と脆弱性の減少との間に肯定的な関係があることを示唆している。
これらの新しいコードオーナシップメトリクスによって、プロジェクトキュレーターや品質保証の専門家が現場プロジェクトを評価し、ベンチマークするのを助けるために、Pythonベースのコマンドラインアプリケーションを実装しました。
論文 参考訳(メタデータ) (2023-12-18T00:37:29Z) - A Principled Framework for Knowledge-enhanced Large Language Model [58.1536118111993]
大規模言語モデル(LLM)は汎用性があるが、深い信頼性のある推論を必要とするタスクに悩まされることが多い。
本稿では、知識を効果的に固定し、閉ループ推論プロセスを用いるLLMを作成するための厳密な設計のフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-18T18:10:02Z) - Code Recommendation for Open Source Software Developers [32.181023933552694]
CODERは、オープンソースのソフトウェア開発者のための新しいグラフベースのコードレコメンデーションフレームワークである。
本フレームワークは,プロジェクト内,クロスプロジェクト,コールドスタートレコメンデーションなど,様々な実験環境下での優れた性能を実現する。
論文 参考訳(メタデータ) (2022-10-15T16:40:36Z) - Attracting and Retaining OSS Contributors with a Maintainer Dashboard [19.885747206499712]
私たちはメンテナダッシュボードを設計し、オープンソースコントリビュータを惹きつける方法と維持方法に関するレコメンデーションを提供します。
私たちはメンテナとプロジェクト固有の評価を行い、このツールが最も役立つユースケースをよりよく理解します。
オープンソースにおけるレコメンデーションの未来と、これらのレコメンデーションを時間とともに最も意味のあるものにする方法を共有するために、我々の研究成果を掘り下げる。
論文 参考訳(メタデータ) (2022-02-15T21:39:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。